Алексей Васильевич Запривода (МГТУ им.Н.Э.Баумана) :
Статьи:
Валишин А. А. (МГТУ им.Н.Э.Баумана), Запривода А. В. (МГТУ им.Н.Э.Баумана), Клонов А. С. (МГТУ им.Н.Э.Баумана)
doi: 10.18698/2309-3684-2024-1-93109
При развитии методов прогнозирования существенное значение приобретает исключение из исходной информации и исследуемых процессов случайных эффектов. Эти эффекты связаны не только с невозможностью учета всех факторов, но и с тем, что часть из них нередко совсем не принимаются во внимание. Не стоит забывать и про случайные погрешности измерений. В прогнозируемых величинах вследствие указанных эффектов создается некий случайный фон или «шум». Фильтрация (исключение) шумов должна, естественно, повысить достоверность и оправдываемость прогнозов. В статье рассмотрены принципы фильтрации данных в масштабе реального времени. Приводится постановка задачи, а также основные критерии оценок, которые должны выполняться для получения удовлетворительного результата. Разбирается принцип работы двух наиболее распространённых видов фильтров – абсолютно оптимальных и условно оптимальных, описываются их достоинства и недостатки. Рассмотрено применение фильтров Калмана и Пугачева к модели с двумя датчиками. Представлены некоторые выводы и рекомендации о том, в каких случаях лучше использовать тот или иной фильтр.
Валишин А.А., Запривода А.В., Клонов А.С. Математическое моделирование и сравнительный анализ численных методов решения задачи непрерывнодискретной фильтрации случайных процессов в реальном времени. Математическое моделирование и численные методы, 2024, № 1, с. 93–109.
Валишин А. А. (МГТУ им.Н.Э.Баумана), Запривода А. В. (МГТУ им.Н.Э.Баумана), Цухло С. С. (МГТУ им.Н.Э.Баумана)
doi: 10.18698/2309-3684-2024-2-4667
В статье исследуется применение перцептивных хеш-функций для повышения эффективности поиска изображений аэрофотосъемки и спутникового дистанционного зондирования, сегментированных свёрточной нейронной сетью. Анализируются три алгоритма хеширования. Первый алгоритм основан на использовании низкочастотного фильтра и направлен на уменьшение детализации изображения с целью выделения наиболее устойчивых признаков изображения. Второй алгоритм использует двумерное дискретно-косинусное преобразование для создания хеша изображения. Третий алгоритм основан на преобразовании Радона, которое позволяет извлечь информацию о направлениях линий на изображении, а также обеспечить максимальную инвариантность к преобразованию на вращение входного изображения. В статье проводится тестирование данных алгоритмов, включающее анализ их инвариантности к преобразованиям на вращение, масштабирование и сдвиг исходного изображения. Результаты тестирования показывают, что алгоритм, основанный на преобразовании Радона, проявляет хорошую инвариантность к вращению, однако он чувствителен к качеству сегментации, что может привести к частым коллизиям при поиске схожих изображений. Более стабильными и имеющими меньший разброс значений оказались алгоритмы с использованием двумерного дискретно-косинусного преобразования и алгоритм с применением низкочастотного фильтра. Однако следует отметить, что алгоритмы, использующие низкочастотный фильтр и двумерное дискретно-косинусное преобразование, могут оказаться неприменимыми в случае повернутых изображений. По результатам анализа и сравнения производительности алгоритмов, рекомендуется отдать предпочтение либо второму, либо третьему алгоритму, т.к. каждый из них имеет свои достоинства и недостатки и решение о применении конкретного алгоритма в задаче поиска максимально схожего изображения, необходимо учитывать конкретные условия и ограничения задачи, а также требования к качеству сравнения изображений.
Валишин А.А., Запривода А.В., Цухло С.С. Моделирование и сравнительный анализ эффективности перцептивных хеш-функций для поиска сегментированных изображений. Математическое моделирование и численные методы, 2024, № 2, с. 46-67.
001.891.573 Повышение эффективности обучения нейронных сетей для сегментации изображений
Валишин А. А. (МГТУ им.Н.Э.Баумана), Запривода А. В. (МГТУ им.Н.Э.Баумана), Цухло С. С. (МГТУ им.Н.Э.Баумана)
doi: 10.18698/2309-3684-2025-3-103116
В данной статье критически анализируются современные подходы к повыше-нию эффективности обучения нейронных сетей для сегментации изображений. Под эффективностью обучения понимаются два взаимосвязанных аспекта: вычислительная эффективность и точность сегментации обученной модели. Особое внимание уделено трём способам повышения эффективности обуче-ния:1. применение методов аугментации. Аугментация – это процесс искус-ственного генерирования новых данных на основе существующих для обучения новых моделей. Этот метод позволяет увеличить размер и разнообразие набо-ра данных, что важно для улучшения обобщающей способности модели. В дан-ном случае аугментация включала в себя повороты изображения, наложение гауссовского шума, коррекция цветовой гаммы, 2. оптимизация архитектур нейронных сетей посредством интеграции эффективных энкодеров на базе EfficientNet, 3. применение методов активного обучения для выбора наиболее информативных обучающих примеров на основе вычисления энтропии выходных данных. Модели обучались с использованием оптимизатора Adam на задаче OpenEarthMap, где выборка составляла 20 % от исходного объёма, изображения уменьшались до разрешения 512×512 пикселей и дополнительно разбивались на 4 части размером 256×256 пикселей. Обучение проводилось на 9212 изображениях обучающей выборки и 1536 изображениях валидационной выборки в течение 100 циклов обучения. Результаты экспериментов показывают, что аугментация увеличивает точность сегментации модели UNet (IoU) с 36 % до 38,7 %, оптимизация архитектуры с использованием EfficientNet-b0 и b4 повышает IoU до 44,6 % и 45,3 % соответственно, а активное обучение, основанное на вычислении энтропии, демонстрирует потенциал выравнивания IoU по классам, хотя стабильность метрик остаётся проблематичной. Данная работа подчёркивает необходимость и перспективность комплексного подхода к оптимизации нейросетевых моделей для сегментации изображений и указывает направления для дальнейших исследований в области машинного обучения и повышения вычислительной эффективности.
Валишин А.А., Запривода А.В., Цухло С.С. Повышение эффективности обучения нейронных сетей для сегментации изображений. Математическое моделирование и численные методы, 2025, № 3, с. 103–116.